一种基于动态系统稳定内核表示的新型数据驱动故障检测方法

科学领域:

• 工业自动化和控制系统工程.
• 数据驱动的故障检测方法.
• 为动态系统提供先进的信号处理.

背景情况:

• 由于制造业和大数据的进步,现代工业系统越来越大规模.
• 集中故障检测 (FD) 框架在动态系统中面临局限性,特别是在灵敏度方面.
• 需要使用仅使用系统输入/输出数据的分布式和敏感的FD方法.

研究的目的:

• 为大型动态系统提出一种新的数据驱动故障检测 (FD) 方法.
• 提高灵敏度,克服动态环境中集中式FD的缺点.
• 为了利用来自传感器网络的系统输入/输出数据进行分布式剩余信号生成.

主要方法:

• 一种数据驱动的故障检测 (FD) 方法,结合了Hellinger距离和子空间技术.
• 通过过程的稳定内核表示生成分布式剩余信号.
• 在每个传感器节点对相同的残余信号和测试统计数据使用平均共识算法.
• 整合赫林格距离以改善残余信号分析和FD性能.

主要成果:

• 拟议的方法在传感器节点上生成相同的残余信号和测试统计数据.
• 黑林格距离集成明显提高了故障检测性能.
• 在现实世界的多相流设施中验证了有效性和准确性.

结论:

• 开发的数据驱动方法为大规模动态系统的故障检测提供了灵敏而准确的方法.
• 通过共识算法分布式剩余信号生成提高了稳定性.
• 黑林格距离的整合为故障检测提供了显著的性能改进.